重新审视异质人群与认知任务中多种驾驶员状态的交互
人机交互
2024-12-20 v2 应用统计
摘要
在真实驾驶场景中，由于个体差异和环境因素，多种状态同时发生，使得驾驶员状态的分析和估计复杂化。以往的研究受限于实验设计和分析方法，可能无法厘清多种驾驶员状态与环境因素之间的关系。本文将双机器学习（DML）分析方法引入驾驶员状态分析领域以应对这一挑战。为训练和测试DML模型，我们进行了一项包含42名参与者的驾驶模拟器实验。所有参与者驾驶SAE L3级车辆，并在3小时的驾驶实验中执行三种类型的认知任务。在整个实验过程中收集了驾驶员的主观认知负荷和困倦水平。然后，我们分离了影响驾驶员状态变化的个体和环境因素，以及当驾驶员处于特定状态时影响其生理和眼动指标的因素。结果表明，我们的方法成功解耦并推断出多种困倦与认知负荷之间的复杂因果关系。此外，我们识别了在多种驾驶员状态并存以及排除其他驾驶员状态、环境因素和个体特征影响下单一状态作用时的关键生理和眼动指标。我们的因果推断分析框架可为后续驾驶员状态分析提供新见解。进一步地，基于DML分析更新的因果关系图可为基于生理和眼动指标的驾驶员状态监测提供理论基础。
引用
@article{arxiv.2412.13574,
title = {Revisiting Interactions of Multiple Driver States in Heterogenous Population and Cognitive Tasks},
author = {Jiyao Wang and Ange Wang and Song Yan and Dengbo He and Kaishun Wu},
journal= {arXiv preprint arXiv:2412.13574},
year = {2024}
}